Если строить прогнозное облако по абсолютным значениям цен и прогнозу, то мы получим прямую с тангенсом=1 даже для интегрированного белого шума. Это длжно быть понятно, оба ряда содержат постоянную составляющую ценность которой нулевая, а именно на эту составляющую и отреагирует оценка. Об этом я тебе и толдычу. Подумай об этом.
实验的阶段化
我决定在我的知识范围内详细说明实验的设置（按照我的理解，鉴于我的模型的能力），以便消除误解。这很简单，我们取一个段进行测试，系统依次通过这个段的所有样本。在每一个部分，取一个固定长度为W 的历史数据样本。对这些数据进行分析并作出最佳选择。
用艺术性的文字来支持文学性的文字，尽我所能地描绘了这幅画。
进行预测时，预测数据和特定预测的 "环境参数 "被记录下来，系统转向下一个参考。这样一来，预测点的数量和计算预测点的特定滑动窗口的大小就会从一个参考点变为另一个参考点。Seryoga，显然这就是我们误解的原因。可能，你固定了MA，只对整个部分进行预测，为此你可以安全地去找增量。 我不能只这样做，MA 总是在变化，因此增量 "集中 "在预测读数的零点周围。
预测的第一个结果
预测是在调查期间的100个样本中进行的，欧元兑美元 报价，小时，（H+L）/2。图中显示了这一情节的H、L 和（H+L）/2价格。
每个价格预测的滑动窗口长度的变化（我希望清楚为什么计数要比预测图的长度长。）
每个预测值的预测范围值的变化
预测价格和实际价格的散点图。X轴 显示预测价格，Y轴 显示实际价格。线性回归方程 y=a+b*x 中的系数b 是0.9983。
让我再一次提醒你，这里没有错误。这个事实是可靠的，也是经过验证的。诀窍只是对预测的参数进行优化。顺便说一下，要在一台好的机器上测试1000个样本的预测，我需要等待大约20个小时，而操作者本身只需要不到一秒钟。而且我还在优化代码。
PS。
Seryoga，为什么会有这个可疑的空帖？也许你叫我什么花哨的名字，是吗？:о)
to Prival
处理蜱虫有一定的困难--你需要一个大的历史，最好是没有洞的，等等。对于有小时或分钟的档案来说，这些要求比较容易满足。
至于完美的曲线，让我们来比较一下两次运行的MEMA（这是我使用的）和傅里叶平滑法所得到的结果。我建议，"好 "的标准是与子线的标准差值和曲线本身的平滑度--sko越小，曲线越平滑，就越陡峭！"。
很清楚如何计算sko（与报价的偏差值），但如何计算平滑度？
...
如何计算sko（与报价的偏差值）很清楚，建议如何计算平滑度？
这种平稳性会给我们带来什么？我在上面描述过--我有一堆MA的预测，对于每一个参考，MA在可预测性 方面被选择为最佳方式。
写了上面的整个帖子，过了一会儿就消失了 :-(
奶奶们，我们有一个误解。再往前走就没有意义了!
如果我们按绝对价格和预测值绘制预测云图，我们得到一条切线=1的直线，即使是综合白噪声。这一点应该很清楚，这两个系列都包含一个数值为零的常数部分，而估值将对这个部分做出反应。这是我要告诉你的。想一想吧。
到Prival。
Как посчитать ско (величину отклонения от котировок) понятно, предложения как считать гладкость ?
在时间t，让我们选择函数（y[i]-x[i]）^2作为系列X和Y的接近程度的衡量标准，并选择函数（y[i]-y[i-1]）^2作为系列的平滑程度的衡量标准。我们将估计这些函数之和的值，即 S=（y[i]-x[i]）^2+（y[i]-y[i-1]）^2
(摘自S. Bulashov)
写了上面的整个帖子，过了一会儿就消失了 :-(
奶奶们，我们有一个误解。再往前走就没有意义了!
如果我们按绝对价格和预测值绘制预测云图，我们得到一条切线=1的直线，即使是综合白噪声。这一点应该很清楚，这两个系列都包含一个数值为零的常数部分，而估值将对这个部分做出反应。这是我要告诉你的。想一想吧。
好吧，如果我预测MA，然后从它到增量，那会怎么样？:о)也许我们可以想出一个标准来代替 "再往前走就没有意义了"？也许有客观的标准？
对中子
我认为看一下误差分析（实际值和预测值之间的差异）是有意义的，非常客观的信息（记得，这是欧元兑美元）。
你认为这种时间序列 分析会是客观的吗？
PS（已更正）。
Если строить прогнозное облако по абсолютным значениям цен и прогнозу, то мы получим прямую с тангенсом=1 даже для интегрированного белого шума. Это длжно быть понятно, оба ряда содержат постоянную составляющую ценность которой нулевая, а именно на эту составляющую и отреагирует оценка. Об этом я тебе и толдычу. Подумай об этом.
ANALOGIC和为增量，在这个意义上它们没有什么不同。这个标准（kt LR）在两种情况下都不是最好的。
谢尔盖，你的所有评论都可以得到一致的答复--它们不是一个原则问题。你不想用回归法估计，让我们用sko。你想预测人工智能，然后去做基线--就这么做吧!
最根本的一点是一个问题：你能不能只提前1（1）个小节给出预测？
谢尔盖，你的所有评论都可以得到一致的答复--它们不是一个原则问题。你不想用回归法估计，让我们用sko。你想预测人工智能，然后去做基线--就这么做吧!
最根本的一点是一个问题：你能不能只提前一（1）个小节发出预测？
发出提前一栏的预测，当然可以，这不难切断。这是否意味着你认为预测超过一栏 的时间是不合理的？
自然!
毕竟，如果你能提前预测一个柱子，你就能用递归法预测两个柱子，而且是通过归纳法。但预测误差会随着预测范围的增加而呈指数级恶化，这就是为什么我们对寻找基本预测的准确性（对于一个酒吧）和预测范围的f-fi的置信区间 宽度之间的关系不感兴趣。让业余爱好者来做。你和我将研究预测基础本身的质量--1个BAR往前走，就这样了！"。诚然，一开始我们会收集统计数据，每次预测1条，往前走一步，如此反复1万次。只是为了确定。因此，我们将得到一个长度为10000个元素的预测向量，每个元素是对1个酒吧的预测，并计算我们拥有的所有数据，包括新数据。